使用 Python 从 HTML 表中仅提取一列数据？

Question

我正在尝试为我正在做的一个小项目提取一些 NBA 统计数据，我只需要从 HTML 表中提取几列（垂直向上和向下）数据，例如 this one here .我现在只是想获得 PTS，那么我应该如何只提取那一列数据呢？我发现它是每个数据行的倒数第三个元素，但我不确定应该如何解析数据。

Answer 1

我建议您阅读整个 html 表格，然后选择您需要的列。也许你会在速度上失去一些东西，但你会在简单性上获得更多。

用 pandas 的 read_html 函数很容易做到：

import urllib2
import pandas as pd

page1 = urllib2.urlopen(
    'http://www.basketball-reference.com/players/h/hardeja01/gamelog/2015/').read()

#Select the correct table by some attributes, in this case id=pgl_basic.
#The read_html function returns a list of tables.
#In this case we select the first (and only) table with this id
stat_table = pd.io.html.read_html(page1,attrs={'id':'pgl_basic'})[0]

#Just select the column we needed. 
point_column = stat_table['PTS']

print point_column

如果您不熟悉 pandas，可以阅读以下内容： http://pandas-docs.github.io/pandas-docs-travis/10min.html

例如，您可能希望从表中删除标题行或将表拆分为多个表。